人工智能：模式識別（精裝版）

定　價：￥88.00

作　者：	楊健等著
出版社：	電子工業(yè)出版社
叢編項：	人工智能出版工程
標　簽：	暫缺

購買這本書可以去

京東 (￥84.50)

ISBN：	9787121392153	出版時間：	2020-08-01	包裝：	精裝
開本：	16開	頁數(shù)：	312	字數(shù)：

內(nèi)容簡介

　　本書是人工智能出版工程”系列圖書之一。模式識別是人工智能的重要組成部分，本書簡要介紹了模式識別的基本概念，以模式表示為切入點，針對近20年來模式識別領(lǐng)域研究的熱點問題，系統(tǒng)闡述了線性子空間表示、非線性子空間表示、流形學習、稀疏表示、低秩模型、深度學習等方面的研究進展和相關(guān)代表性方法。本書可供高等院校人工智能、智能科學與技術(shù)、計算機及相關(guān)專業(yè)研究生或高年級本科生閱讀，也可供對模式識別感興趣的研究人員和工程技術(shù)人員閱讀和參考。

作者簡介

　　楊健，南京理工大學教授、博士生導師，現(xiàn)任南京理工大學計算機學院/人工智能學院院長，長期從事模式識別與計算機視覺、生物特征識別等方面的研究，主持完成國家自然科學基金重大研究計劃重點項目、國家杰出青年科學基金項目、國家973課題等相關(guān)項目。2013年入選國家百千萬人才工程并被授予“有突出貢獻中青年專家”稱號，以及入選2013―2014年度教育部長江學者特聘教授；2018年入選萬人計劃科技創(chuàng)新領(lǐng)軍人才。他在IEEE Transactions及Pattern Recognition等國際權(quán)威SCI期刊和會議上發(fā)表論文200余篇，Google Scholar被引用20 000余次，單篇**被引4 000余次，2014―2020連續(xù)7年入選愛思唯爾（Elsevier）“中國高被引學者榜”。他現(xiàn)擔任或曾擔任國際學術(shù)期刊Pattern Recognition、IEEE Trans. on Neural Networks and Learning Systems、Pattern Recognition Letters、 Neurocomputing和EEE/CAA Journal of Automatica Sinica等編委。2016年入選國際模式識別學會會士（IAPR Fellow）。他曾獲得國家自然科學二等獎（第二完成人）、省部級一等獎3項（其中第一完成人2項）、第十一屆中國青年科技獎等獎項。

圖書目錄

目錄
第1章緒論
1．1 模式的基本概念
1．2 模式表示學習
1．2．1 線性子空間分析
1．2．2 基于流形、稀疏與低秩假設的模式表示
1．3 模式分類
1．3．1 貝葉斯分類器
1．3．2 最小距離分類器
1．3．3 最近鄰分類器
1．3．4 BP神經(jīng)網(wǎng)絡
1．3．5 支持向量機
1．3．6 分類器組合
1．4 應用算例
1．4．1 手寫體數(shù)字圖像識別
1．4．2 人臉圖像識別
參考文獻
第2章線性子空間表示
2．1 主成分分析
2．1．1 基本概念
2．1．2 最小均方誤差逼近
2．1．3 PCA變換的統(tǒng)計不相關(guān)性
2．1．4 小樣本情況下的主成分分析
2．2 線性鑒別分析
2．2．1 基本概念
2．2．2 經(jīng)典的費希爾線性鑒別與Foley-Sammon線性鑒別方法
2．2．3 具有統(tǒng)計不相關(guān)性的線性鑒別分析
2．2．4 相關(guān)性分析
2．2．5 等價的最優(yōu)鑒別向量集
2．2．6 幾種等價的費希爾準則
2．3 小樣本情況下的線性鑒別分析
2．3．1 兩種線性鑒別方法的統(tǒng)一模型
2．3．2 壓縮映射基本原理
2．3．3 同構(gòu)映射基本原理
2．3．4 奇異情況下線性鑒別分析的實質(zhì)：PCA+LDA
2．3．5 奇異情況下的組合鑒別分析方法
2．4 二維主成分分析
2．5 二維線性鑒別分析
2．5．1 基本思想
2．5．2 Liu圖像投影鑒別分析
2．5．3 統(tǒng)計不相關(guān)的圖像投影鑒別分析
2．5．4 圖像鑒別特征抽取方法
2．5．5 相關(guān)性分析
2．6 應用算例
2．6．1 主成分分析
2．6．2 線性鑒別分析
2．6．3 小樣本情況下的線性鑒別分析
2．6．4 二維主成分分析
2．6．5 二維線性鑒別分析
參考文獻
第3 章非線性子空間表示
3．1 核方法的基本思想
3．2 核主成分分析
3．3 核費希爾鑒別分析
3．3．1 基礎(chǔ)理論
3．3．2 最優(yōu)費希爾鑒別向量的搜尋空間
3．3．3 計算費希爾最優(yōu)鑒別向量的基本思想
3．3．4 簡明的KFD算法框架：KPCA+LDA
3．4 完整的KFD算法（CKFD）
3．4．1 抽取兩種鑒別信息
3．4．2 兩種鑒別信息的融合
3．4．3 完整的KFD算法步驟
3．4．4 與其他KFD方法和LDA方法的關(guān)系
3．5 應用算例
3．5．1 在FERET人臉數(shù)據(jù)集上的實驗
3．5．2 在手寫體數(shù)字CENPARMI數(shù)據(jù)集上的實驗
參考文獻
第4 章流形學習
4．1 概述
4．2 非線性嵌入方法
4．2．1 ISOMAP 算法
4．2．2 LLE算法
4．2．3 LE算法
4．2．4 LPP算法
4．2．5 NLPP算法
4．2．6 其他非線性嵌入算法
4．3 特殊的黎曼流形
4．3．1 正交矩陣的格拉斯曼流形
4．3．2 非對稱正定矩陣的李群流形
4．3．3 對稱正定矩陣的李群流形
4．3．4 矩陣流形上的降維算法
4．4 流形對齊
4．4．1 無監(jiān)督流形對齊問題描述
4．4．2 無監(jiān)督流形的點點對齊
4．4．3 無監(jiān)督流形的分布對齊
4．5 應用
4．5．1 圖像分類
4．5．2 生物識別
4．5．3 域遷移學習
參考文獻
第5章稀疏表示
5．1 稀疏表示的基本算法
5．2 基于稀疏表示的特征抽取
5．2．1 稀疏主成分分析方法
5．2．2 稀疏判別分析方法
5．2．3 穩(wěn)健聯(lián)合稀疏嵌入方法
5．3 基于稀疏表示的分類
5．3．1 稀疏系數(shù)的作用
5．3．2 表示殘差的正則化
5．3．3 稀疏表示分類中的字典學習
5．3．4 擴展的稀疏表示分類
5．4 稀疏表示的典型應用
5．4．1 人臉識別
5．4．2 目標跟蹤
5．4．3 視覺顯著性檢測
參考文獻
第6章低秩模型
6．1 概述
6．2 與核范數(shù)有關(guān)的RPCA
6．2．1 RPCA和穩(wěn)健矩陣補全
6．2．2 雙核范數(shù)的矩陣分解
6．2．3 雙核范數(shù)的歸納式矩陣分解
6．2．4 顯著性檢測的一個簡單例子
6．3 與核范數(shù)有關(guān)的 LRR
6．3．1 LRR和隱式LRR
6．3．2 無噪聲LRR的閉解
6．3．3 穩(wěn)健低秩表示
6．3．4 非凸低秩表示
6．4 與核范數(shù)有關(guān)的 RMR
6．4．1 Lq范數(shù)正則核范數(shù)的矩陣回歸
6．4．2 推廣冪指數(shù)分布的矩陣回歸
6．4．3 樹結(jié)構(gòu)核范數(shù)的矩陣回歸
6．4．4 貝葉斯相關(guān)組的矩陣回歸
6．5 應用
6．5．1 背景建模
6．5．2 子空間聚類
6．5．3 人臉識別
6．6 歸納與展望
參考文獻
第7 章深度學習
7．1 概述
7．2 自編碼器
7．2．1 正向傳播與反向傳播
7．2．2 自編碼器架構(gòu)
7．3 卷積神經(jīng)網(wǎng)絡
7．3．1 卷積神經(jīng)網(wǎng)絡基礎(chǔ)
7．3．2 經(jīng)典卷積神經(jīng)網(wǎng)絡模型
7．3．3 改進的卷積神經(jīng)網(wǎng)絡
7．4 遞歸神經(jīng)網(wǎng)絡
7．4．1 傳統(tǒng)遞歸神經(jīng)網(wǎng)絡
7．4．2 基于門控單元的遞歸神經(jīng)網(wǎng)絡
7．4．3 時空遞歸神經(jīng)網(wǎng)絡
7．4．4 遞歸形狀回歸網(wǎng)絡
7．4．5 聯(lián)合任務遞歸學習
7．4．6 輕量級遞歸神經(jīng)網(wǎng)絡
7．5 生成對抗網(wǎng)絡
7．5．1 傳統(tǒng)生成對抗網(wǎng)絡
7．5．2 生成對抗網(wǎng)絡的變種
7．5．3 ST條件生成對抗網(wǎng)絡
7．6 圖卷積神經(jīng)網(wǎng)絡
7．6．1 圖卷積學習
7．6．2 張量圖卷積學習
7．7 應用
7．7．1 目標檢測
7．7．2 目標跟蹤
7．7．3 場景理解
7．7．4 圖像重建
7．7．5 社交網(wǎng)絡
參考文獻